Teknik Sains dan Teknologi, Jurnal Internasional 23 (2020) 189–195

Daftar isi tersedia di ScienceDirect

Ilmu dan Teknologi Rekayasa,

sebuah Jurnal Internasional
homepage jurnal: www.elsevier. com / cari / jestch

Artikel Panjang Penuh

Identifikasi otomatis untuk mentega bidang oleh jaringan saraf konvolusional

Ayad Saad Almryad ⇑ , Hakan Kutucu

Departemen Teknik Komputer, Universitas Karabuk, Karabuk, Turki

articleinfo abstrak

Sejarah artikel: Dalam kondisi kompetitif saat ini, menghasilkan solusi yang cepat, murah, dan andal adalah tujuan para insinyur. Perkembangan kecerdasan
Diterima 25 November 2019 Direvisi 6 buatan dan pengenalan teknologi ini ke hampir semua bidang telah menciptakan kebutuhan untuk meminimalkan faktor manusia dengan
Januari 2020 Diterima 23 Januari 2020
menggunakan kecerdasan buatan di bidang pengolahan citra, serta menghasilkan keuntungan dalam hal waktu dan tenaga. Dalam makalah ini,
kami mengusulkan model identifikasi spesies kupu-kupu otomatis menggunakan jaringan saraf dalam. Kami mengumpulkan 44.659 gambar
Tersedia online 1 Februari 2020
dari 104 spesies kupu-kupu berbeda yang diambil dengan posisi berbeda dari kupu-kupu, sudut pengambilan gambar, jarak jarak, oklusi dan
kompleksitas latar belakang di lapangan di Turki. Karena banyak spesies memiliki beberapa sampel gambar, kami membuat kumpulan data
Kata kunci:
berbasis lapangan dari 17.769 kupu-kupu dengan 10 spesies. Convolutional Neural Networks (CNNs) digunakan untuk mengidentifikasi spesies
Butter y
kupu-kupu. Perbandingan dan evaluasi hasil eksperimen yang diperoleh dengan menggunakan tiga struktur jaringan yang berbeda dilakukan.
Pembelajaran mendalam

Klasifikasi
Hasil percobaan pada 10 spesies kupu-kupu yang umum menunjukkan bahwa metode kami berhasil mengidentifikasi berbagai spesies
ResNet kupu-kupu.
Transfer pembelajaran

Universitas Karabuk 2020. Layanan penerbitan oleh Elsevier BV Ini adalah artikel akses terbuka di bawah CC
Lisensi BY-NC-ND ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ).

1. Perkenalan
Lalat mentega adalah serangga dari ordo Lepidoptera. Jumlah spesies kupu-kupu di dunia
bervariasi dari 15.000 hingga 21.000 menurut perkiraan terbaru di [1] . Karena berbagai spesies,
kemiripan yang tinggi dan karakteristik perbedaan kupu-kupu tidak terbukti, identifikasi dan klasifikasi
kupu-kupu memiliki masalah akurasi yang rendah dan pengenalan yang lambat. Selain itu, jumlah
ahli taksonomi dan teknisi terlatih telah menurun drastis.
ciri-ciri, tidak memiliki gambaran ekologis tentang lalat mentega di alam. Selain itu, perbedaan antara
dua gambar terlihat jelas yang membuat kombinasi penelitian dan produksi menjadi sulit dan akurasi
pengenalannya rendah [2] . Oleh karena itu, sangatlah penting untuk melakukan penelitian tentang
identifikasi otomatis mentega dan meningkatkan akurasi dan efisiensinya. Pengembangan alat untuk
mengotomatiskan identifikasi spesies kupu-kupu memiliki kontribusi penting untuk literatur.

Pembedaan antara spesies kupu-kupu membutuhkan keahlian dan waktu, yang tidak selalu
tersedia, tetapi setelah pengembangan perangkat lunak yang mengidentifikasi spesies kupu-kupu
dengan mengekstraksi fitur-fitur dari gambar, kebutuhan akan para ahli akan berkurang. Ada dua
masalah utama dalam penelitian identifikasi spesies kupu-kupu berdasarkan teknik computer vision.
Pertama, mengumpulkan dataset butterfly sulit, mengidentifikasi adalah pekerjaan yang memakan
waktu bagi ahli entomologi, dan jumlah kupu-kupu yang termasuk dalam dataset butterfly tidaklah
komprehensif. Kedua, gambar kupu-kupu yang digunakan untuk pelatihan adalah semua gambar
pola dengan morfologi yang jelas
Kaya dkk. [3] mengusulkan dua deskriptor pola biner lokal (LPB) yang berbeda untuk mendeteksi
tekstur khusus pada gambar. Yang pertama didasarkan pada hubungan antara tetangga sekuensial
dari piksel pusat dengan jarak tertentu dan yang lainnya bergantung pada menentukan tetangga
dalam orientasi yang sama melalui parameter piksel pusat. Mereka menguji deskriptor mereka untuk
mengidentifikasi spesies kupu-kupu pada gambar berbasis laboratorium dari 140 kupu-kupu yang
dikumpulkan di kota Van Turki. Akurasi tertinggi yang mereka peroleh untuk mengklasifikasikan
kupu-kupu oleh jaringan saraf tiruan adalah 95,71%. Kaya dan Kaycı [4] mengembangkan model
untuk identifikasi kupu-kupu berdasarkan fitur warna dan tekstur oleh jaringan saraf tiruan
menggunakan matriks ko-kejadian tingkat abu-abu dengan sudut dan jarak yang berbeda. Akurasi
metode mereka mencapai 92,85%.

Wen dan Guyer [5] mengembangkan model yang menggabungkan fitur lokal dan global untuk
⇑ Penulis yang sesuai. klasifikasi serangga melalui lima klasifikasi terkenal yaitu K terdekat dengan klasifikasi tetangga
Alamat email: yd_saad2010@yahoo.com (AS Almryad), hakankutucu@karabuk.edu.tr (H. Kutucu). (KNNC), kelas linier berbasis kepadatan normal (NDLC), minimum kuadrat terkecil

Tinjauan sejawat di bawah tanggung jawab Universitas Karabuk.

https://doi.org/10.1016/j.jestch.2020.01.006
2215-0986 / 2020 Universitas Karabuk. Layanan penerbitan oleh Elsevier BV Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND ( http://creativecommons.org/licenses/by-nc-nd/4.0/
).
190 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195

klasifikasi linier (MLSLC), kelas rata-rata terdekat (NMC) dan pohon keputusan (DT). Hasil 2. Bahan-bahan dan metode-metode
eksperimental mereka diuji pada gambar yang dikumpulkan dari perangkap lapangan aktual untuk
pelatihan menghasilkan tingkat klasifikasi 86,6%. 2.1. Himpunan data

Xie dkk. [6] meningkatkan model pembelajaran untuk klasifikasi gambar serangga menggunakan
representasi renggang multi-tugas lanjutan dan teknik pembelajaran multi-kernel. Mereka menguji
model yang diusulkan pada 24 spesies hama umum tanaman di lapangan dan membandingkannya
dengan beberapa metode terbaru. Feng et al. [7] memperbaiki sistem identifikasi dan pengambilan
spesies serangga berdasarkan atribut sayap dari gambar ngengat. Sistem pengambilan mereka
didasarkan pada arsitektur CBIR yang bukan tentang memiliki jawaban akhir tetapi hanya
menyediakan daftar kecocokan kepada pengguna [8] . Keputusan akhir bisa dibuat oleh seorang ahli.
Yao dkk. [9] merancang model untuk mengotomatiskan identifikasi OPT menggunakan 156 fitur
OPT. Penulis menguji model yang diusulkan pada beberapa spesies hama padi Lepidoptera ukuran
sedang dengan menggunakan klasifikasi mesin vektor pendukung. Studi lain untuk pengenalan hama
dilakukan oleh Faithpraise et al. menggunakan algoritma clustering k-means dan filter korespondensi [10]
. Leow dkk. [11] mengembangkan sistem identifikasi otomatis spesimen copepoda dengan
mengekstraksi fitur morfologi dan menggunakan JST. Mereka menggunakan tujuh fitur copepod dari
240 gambar sampel dan memperkirakan akurasi keseluruhan 93,13%. Zhu dan Zhang [12] mengusulkan
metode untuk mengklasifikasikan citra serangga lepidopteran dengan pencocokan wilayah
terintegrasi dan transformasi wavelet kompleks pohon ganda. Mereka menguji metodenya pada
database yang terdiri dari 100 serangga lepidopteran dari 18 famili dan memperkirakan akurasi
pengenalan sebesar 84,47%.
Dalam studi ini, kami mengumpulkan 44.659 gambar di 104 kelas yang berbeda dari situs web
Butter fl ies Monitoring & Photography Society of Turkey [18] . Kami mengembangkan aplikasi C #
untuk mendownload semua gambar mentega, setiap gambar disimpan ke direktori bernama
genusnya. Ketika gambar diunduh dari situs web, kami memberi label spesies yang disetujui oleh
para profesional. Dataset dibagi menjadi 104 kelas yang berbeda menggunakan label informasi ini.
Karena banyak kelas memiliki beberapa sampel gambar, kami membatasinya untuk menyertakan 10
kelas dengan ukuran sampel paling banyak seperti yang ditunjukkan pada Tabel 1 . Dataset baru
memiliki 17.769 gambar. Jumlah kelas telah dikurangi menjadi 10 untuk meningkatkan akurasi
klasifikasi dan untuk menghapus kelas dengan sampel yang lebih sedikit. Karena semua gambar di
situs memiliki resolusi berbeda, ukurannya diubah menjadi 224
224 piksel. Contoh gambar untuk setiap kelas
diberikan Gambar 1 . Karena gambar masukan diambil dari kamera bidang pandang lebar, mereka
memiliki beberapa karakteristik seperti oklusi dan kompleksitas latar belakang. Kami menghapus
gambar jika gambar tersebut berisi lebih dari satu kupu-kupu meskipun dari spesies yang sama. Kami
juga menghapus gambar dengan larva dan ulat kupu-kupu.

2.2. Jaringan saraf dalam

Pembelajaran mendalam, terutama dalam beberapa tahun terakhir, telah menjadi penelitian
kunci untuk aplikasi yang didasarkan pada kecerdasan buatan [19] . Karena prestasinya yang serius
Mayo dan Watson [13] menunjukkan bahwa teknik data mining bisa efektif untuk pengenalan
di bidang computer vision [20] , pemrosesan bahasa alami [21] dan pengenalan ucapan [22] , tingkat
spesies. Mereka menggunakan WEKA yang merupakan alat penambangan data dengan klasifikasi
penggunaan meningkat dari hari ke hari.
berbeda seperti Naïve Bayes, pembelajaran berbasis instans, hutan acak, pohon keputusan, dan
mesin vektor pendukung. WEKA dapat mencapai akurasi 85% menggunakan mesin vektor
Algoritme pembelajaran mendalam yang didasarkan pada Jaringan Syaraf Tiruan, yang diilhami
pendukung untuk mengklasifikasikan ngengat hidup menurut spesies. Pekerjaan lain untuk
oleh penyederhanaan neuron di otak manusia, menjadi yang terdepan dengan keberhasilannya
mengidentifikasi ngengat hidup dilakukan oleh Watson et al. [14] yang mengusulkan alat identifikasi
dalam fase pembelajaran. Algoritme pembelajaran mendalam dapat memecahkan masalah ekstraksi
otomatis bernama DAISY.
dan pemilihan fitur dengan secara otomatis menghapus fitur pembeda dari data masukan yang
diberikan. Lebih banyak data berlabel diperlukan untuk deep learning dibandingkan dengan jaringan
neural klasik. Peningkatan pesat data yang dapat dicapai saat ini telah menjadikan peran
Silva dkk. [15] bertujuan untuk menyelidiki kombinasi terbaik dari teknik seleksi fitur dan
pembelajaran mendalam sangat penting dalam pemecahan masalah. Ucapan ini telah menarik
klasifikasi untuk mengidentifikasi subspesies lebah madu. Mereka menemukan pasangan terbaik
perhatian banyak peneliti di bidang ilmu komputer.
sebagai kombinasi dari klasifikasi Naïve Bayes dan pemilih fitur Berbasis Korelasi dalam hasil
percobaan mereka di antara tujuh kombinasi pemilih fitur dan klasifikasi.

Convolutional Neural Networks (CNNs), yang dianggap sebagai arsitektur dasar deep learning,
Wang et al. [16] merancang sistem identifikasi gambar serangga di tingkat pesanan. Mereka
adalah jaringan saraf penerusan Multi-Layer Perceptron (MLP) yang terinspirasi oleh visi hewan. [23] .
mengekstraksi tujuh fitur dari gambar serangga. Namun penulis secara manual melepas beberapa
CNN adalah model pembelajaran mendalam yang terutama digunakan untuk klasifikasi gambar,
yang menempel pada serangga seperti peniti. Metode mereka telah diuji pada 225 gambar spesimen
deteksi kesamaan, dan pengenalan objek
dari sembilan order dan sub-order menggunakan jaringan syaraf tiruan dengan akurasi 93%.

[24,25] .
CNN memiliki kemampuan untuk mengidentifikasi Wajah [26] , Orang [27] , Masuk [28] , dll.
Abeysinghe dkk. [17] memperkenalkan kerangka kerja yang sepenuhnya otomatis untuk
CNN, yang sebagian besar berfokus pada klasifikasi gambar, sekarang digunakan di
mengidentifikasi spesies ular menggunakan jaringan konvolusional Siam. Meskipun kumpulan data
ular saat ini kecil, mereka mencapai hasil yang memuaskan. Tabel 1
Nama dan jumlah gambar per genus butter fl y dalam dataset.

Dalam makalah ini, kami membuat kumpulan data gambar kupu-kupu yang diambil dari alam.
Setelah menerapkan beberapa praproses ke gambar kupu-kupu, kami menggunakan jaringan neural Marga Gambar-gambar

konvolusional yang dalam berdasarkan arsitektur VGG (VGG16 dan VGG19) dan ResNet
Polyommatus 5559
(ResNet-50). Lycaena 2472
Melitaea 2235

Artikel ini disusun sebagai berikut: Dataset gambar mentega bidang didiskusikan dan Pieris 1530
Aricia 1080
pendekatan teknis berdasarkan arsitektur jaringan saraf konvolusional yang berbeda diperkenalkan di
Pyrgus 1036
Plebejus 1003
Seksi 2 . Bagian 3 menunjukkan hasil percobaan dan pembahasan mereka dan akhirnya, Bagian 4 menyimpulkan Nymphalis 989
makalah dan mempresentasikan karya selanjutnya. Melanargia 943
Coenonympha 922
 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195 191

Gambar 1. Contoh gambar pada dataset.

Hampir setiap area membutuhkan klasifikasi Struktur CNN umum terdiri dari beberapa konvolusi dan
lapisan penyatuan yang berurutan, satu atau lebih lapisan yang terhubung sepenuhnya dan pada
akhirnya lapisan keluaran (lapisan softmax) untuk klasifikasi. Contoh struktur CNN diberikan dalam Gambar penggabungan, wxh- jendela berukuran dimajukan dengan langkah tertentu untuk membuat gambar
2.
Pada lapisan masukan, gambar diambil untuk dimodelkan sebagai data masukan. Struktur
lapisan ini cukup penting dalam hal keberhasilan dan biaya sumber daya model yang dirancang. Jika
diperlukan, beberapa algoritme praproses seperti penskalaan dan pengurangan noise diterapkan
pada data masukan. Jika sebuah input memiliki gambar beresolusi rendah, maka hal itu dapat
menyebabkan penurunan kedalaman dan kinerja jaringan. Pada lapisan konvolusi, yang dikenal
sebagai lapisan transformasi, proses konvolusi diterapkan ke data masukan melalui filter sebagai
pemilihan fitur. Filter dapat diatur sebelumnya serta dibuat secara acak. Hasil dari proses konvolusi
membuat peta fitur dari data. Ukuran filter disetel sebagai 1
1, 3 3, 5 5 dan beberapa-
kali 7 7. Gambar 3 menunjukkan proses aplikasi sobelfilter
untuk mengambil sampel data gambar. Proses ini berlanjut ke gambar keseluruhan untuk semua
filter. Akhirnya, fitur diperoleh di akhir proses ini. Jika gambar masukan memiliki 3 saluran (RGB),
proses konvolusi diterapkan ke setiap saluran.
Operasi padding menentukan proses mana yang akan dilakukan untuk informasi piksel yang
akan ditambahkan ke sudut matriks input. Proses langkah menunjukkan berapa banyak langkah
jendela akan bergeser di setiap langkah. Setelah proses konvolusi, didapat dimensi matriks dengan
mengaplikasikannya fxf ukuran filter dengan gambar nxn ukuran dihitung dengan persamaan berikut.
dimana p adalah ukuran padding dan s adalah nomor langkahnya. Lapisan penggabungan digunakan
untuk mengurangi ukuran matriks masukan untuk lapisan konvolusi berikutnya. Dengan
baru dengan mengambil nilai maksimum (maxpooling) atau nilai rata-rata (rata-rata pooling) jendela.
Dengan menjaga nomor saluran konstan, lebar dan tinggi dapat dikurangi. Penyatuan maksimum dan
penyatuan rata-rata adalah dua pendekatan umum dalam lapisan penyatuan. Contoh penggabungan
maksimal dan penggabungan rata-rata ditampilkan di Gambar 4 untuk matriks masukan berukuran 4
4 dan filter penyatuan ukuran 2 2.
Lapisan yang sepenuhnya terhubung muncul setelah konvolusi dan lapisan penyatuan yang
berurutan. Di lapisan yang sepenuhnya terhubung, data dari lapisan penggabungan direduksi menjadi
satu dimensi. Karena setiap neuron terhubung, itu disebut terhubung sepenuhnya. Pada lapisan ini,
proses klasifikasi dilakukan dan fungsi aktivasi seperti ReLU dan Sigmoid digunakan. Pada lapisan
keluaran, menggunakan fungsi Softmax, menghasilkan nilai kerugian berbasis probabilitas
menggunakan nilai skor yang dihasilkan oleh model. Gambar 5 menunjukkan lapisan keluaran untuk
masalah dua kelas.
Lapisan dropout digunakan dalam kasus dimana model melakukan overfitting (menghafal)
membuat proses menghilangkan beberapa koneksi dalam model yang membuat over learning. Oleh
karena itu, jaringan dicegah dari menghafal dengan menghapus beberapa neuron di lapisan yang
terhubung sepenuhnya dengan kecepatan acak (biasanya 0,5).
Arsitektur CNN klasik terdiri dari dua bagian dasar. Bagian pertama adalah convolution dan
pooling layer. Fitur diekstraksi pada gambar input di bagian ini [29] . Pada bagian pertama, tahapan
ekstraksi ciri diterapkan dalam pengertian umum, bukan khusus masalah. Pada bagian kedua,
lapisan yang sepenuhnya terhubung dan lapisan keluaran melakukan klasifikasi khusus masalah.

n x; n y ¼ n þ 2 pf þ 1 ð1Þ
s

Gambar 2. Jaringan saraf konvolusional.

192 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195

Gambar 3. Proses konvolusi dengan ukuran filter 3 3.

2.3. Transfer pembelajaran

Pembelajaran transfer adalah implementasi cepat dari proses pembelajaran di bidang yang
sama atau berbeda [30] . Dengan cara ini, proses pembelajaran yang direalisasikan pada sejumlah
besar data dapat diterapkan ke kumpulan gambar yang berbeda dalam ukuran yang lebih kecil.
Berkat peningkatan dalam penggunaan dan kinerja memori, ini sangat populer di bidang computer
vision. Model, yang dilatih dengan sejumlah besar data pelatihan, diselesaikan dengan memperbarui
bobot di bagian klasifikasi alih-alih melatih dari awal. Dalam literatur, banyak penelitian telah
dikemukakan dengan pendekatan ini yang biasa disebut model pra-terlatih. Model paling populer
bernama VGG [31] , Inception [20] , MobileNet

[32] dan ResNet [33] diterapkan ke ImageNet [34] yang memiliki lebih dari 1,2 juta gambar dan telah
mencapai akurasi tinggi [35] . Algoritma pelatihan seperti Adagrad, Adadelta, Adam, Adamax,
Stochastic Gradient Descent digunakan secara umum untuk pelatihan di CNN. Algoritma ini berbeda
Gambar 4. Max pooling dan average pooling dengan 2 2 filter. dalam hal kecepatan dan keberhasilan.

2.3.1. VGGNet
Simonyan dan Zisserman mengembangkan arsitektur jaringan saraf konvolusional baru, yang
disebut VGG in [31] . Arsitektur jaringan VGG ditampilkan di Gambar 6 . Mereka merilis dua model
VGG berkinerja terbaik dengan lapisan 16 dan 19 wt. 16 dan 19 mewakili jumlah lapisan bobot di
jaringan VGG. VGG16 dengan 13 konvolusi dan 3 lapisan yang terhubung sepenuhnya telah
mencapai% 8.8 kesalahan uji 5 teratas pada set data ImageNet. Selain itu, VGG19 memiliki 16
konvolusi dan mencapai tingkat kesalahan 5 pengujian teratas% 9.0. Dalam jaringan VGG, inputnya
adalah ukuran tetap 224

Gambar 224 RGB.

2.3.2. ResNet
ResNet memiliki struktur yang berbeda dari arsitektur jaringan tradisional yang berurutan seperti
VGGNet, AlexNet, karena memiliki struktur modul arsitektur mikro yang berbeda dari arsitektur lain.
Mungkin lebih baik untuk beralih ke lapisan bawah dengan mengabaikan perubahan di antara
beberapa lapisan. Situasi ini diperbolehkan dalam arsitektur ResNet dan tingkat keberhasilan jaringan
ditingkatkan dengan menghilangkan masalah mengingat jaringan.

Gambar 5. Fungsi Softmax.

 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195 193

Gambar 6. Ilustrasi arsitektur VGG.

Arsitektur ResNet memiliki jaringan 177 lapisan. Selain struktur berlapis ini, terdapat informasi metode transfer pembelajaran digunakan (VGG16, VGG19, ResNet50). Model yang paling banyak
tentang bagaimana koneksi antar lapisan akan terjadi. Model ini telah dilatih untuk gambar berukuran digunakan dalam literatur telah dilatih pada dataset ImageNet dan telah mencapai kesuksesan tinggi.
224 Dalam studi ini, metode pembelajaran transfer fine-tuned digunakan untuk klasifikasi gambar
224 3. Gambar 7 menunjukkan contoh koneksi yang digunakan butterfly.
dalam arsitektur ResNet.

3. Percobaan dan diskusi

Dalam penelitian ini berbagai model deep learning digunakan untuk mengklasifikasikan citra
dalam dataset. Convolution Neural Networks berdasarkan

Gambar 7. Arsitektur ResNet. Gambar 8. Kurva akurasi dan kerugian VGG-16.

194 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195

900 gambar sampel digunakan untuk setiap kelas yang diberikan Tabel 1 .
Setiap kelas dibagi menjadi dua bagian secara otomatis: bagian pelatihan (80%) dan bagian
pengujian (20%). Karena data pelatihan dan pengujian dapat diubah dalam setiap proses, pelatihan
dilakukan lima kali untuk setiap dataset dalam model, nilai akurasi rata-rata untuk 100 epoch dan nilai
kerugian rata-rata diberikan dalam Gambar. 8–10 . Model diimplementasikan dengan menggunakan
bahasa pemrograman Python dan pustaka Keras. Studi pembelajaran mendalam telah dijalankan di
GPU karena membutuhkan memori yang tinggi. Spesifikasi perangkat keras komputer tempat model
CNN dilatih dan diuji adalah:
pencapaian (80%) dan tidak meningkat setelahnya. Pola karakteristik yang serupa dapat dilihat pada
grafik kerugian. Karena tidak ada pra-pemrosesan yang dilakukan pada gambar input,
keberhasilannya memuaskan dengan mempertimbangkan masalah posisi kupu-kupu, sudut
pemotretan, jarak mentega, oklusi dan kompleksitas latar belakang. Gambar 10 menunjukkan grafik
akurasi dan model kerugian arsitektur ResNet. Terlihat bahwa hingga 85% keberhasilan dicapai
selama fase pelatihan di mana arsitektur ResNet mengalami masalah.

CPU: 2x Intel Xeon Silver 2,2 GHz, RAM 32 GB,

GPU: Nvidia Quadro P5000 16 GB 256Bit. GPU memiliki 2560 core.

Model deep learning VGG16, VGG19 dan ResNet50 digunakan untuk mengklasifikasikan
gambar mentega. Model telah dijalankan pada GPU karena membutuhkan waktu lama untuk semua
pembelajaran dan pengujian dilakukan pada CPU. Parameter yang digunakan dalam model diberikan
di Meja 2 .

Kurva akurasi dan kerugian yang diperoleh setelah memulai model diberikan Gambar. 8–10 .
VGG16 dan VGG19 memberikan hasil yang kurang lebih sama untuk kumpulan data kami. Model
ResNet mencapai kesuksesan yang lebih tinggi daripada VGGNET dalam fase pelatihan, sementara
model tersebut memiliki kesuksesan yang lebih rendah dalam fase pengujian. Perbandingan model
CNN yang digunakan dalam makalah ini disajikan di Tabel 3 .

VGGNet menunjukkan kinerja serupa dalam fase pelatihan dan pengujian. Setelah 20 periode
pelatihan, itu mencapai yang tertinggi

Gambar 10. Akurasi ResNet dan kurva kerugian.

Meja 2
Parameter model.

Nama parameter Nilai

Ukuran masukan 224224 3

Max Epoch 100
Ukuran Batch 8
Jumlah Kelas 10
Jumlah gambar latihan Jumlah gambar 7200
uji Pengoptimal 1800
AdaDelta

Tabel 3
Perbandingan model CNN.

Model CNN Melatih akurasi Akurasi uji

VGG16 80,4% 79,5%

VGG19 77,6% 77,2%
ResNet 84,8% 70,2%
Gambar 9. Kurva akurasi dan kerugian VGG-19.
 AS Almryad, H. Kutucu / Teknik Iptek, Jurnal Internasional 23 (2020) 189–195
lem overftting (menghafal) pada set data masukan ini tidak dapat dicapai selama tahap pengujian.
4. Kesimpulan
Dalam makalah ini, dataset berbasis lapangan dibuat menggunakan gambar butterfly yang
diklasifikasikan oleh ahli entomologi ahli yang diambil dari alam. Gambar masukan mentega
diklasifikasikan dengan arsitektur pembelajaran yang mendalam tanpa menggunakan metode
ekstraksi fitur. Pembelajaran transfer dilakukan dengan menggunakan model terlatih. Perbandingan
dan evaluasi hasil eksperimen yang diperoleh dengan menggunakan tiga struktur jaringan yang
berbeda dilakukan. Menurut hasil, kesuksesan tertinggi diraih oleh arsitektur VGG16. Meskipun
gambar memiliki beberapa masalah seperti posisi kupu-kupu, sudut pemotretan, jarak mentega,
oklusi dan kompleksitas latar belakang, kira-kira 80% keberhasilan dicapai untuk data pengujian dan
pelatihan. Sebagai kesimpulan, kami mengamati bahwa pendekatan pembelajaran transfer dapat
berhasil diterapkan dalam gambar alam.
Deklarasi Persaingan Minat
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan finansial atau hubungan
pribadi yang bersaing yang tampaknya dapat memengaruhi pekerjaan yang dilaporkan dalam
makalah ini.
Ucapan Terima Kasih
Penulis berterima kasih kepada pemberi referensi anonim atas komentar konstruktif dan saran
berharga yang telah sangat membantu kami untuk meningkatkan kualitas makalah.
Referensi
[1] NE Bangau, Berapa banyak spesies serangga dan artropoda darat lainnya
ada di Bumi ?, Annu. Pdt. Entomol. 63 (2018) 31–45, https://doi.org/
10.1146 / annurev-ento-020117-043348 .
[2] M. Pinzari, M. Santonico, G. Pennazza, E. Martinelli, R. Capuano, R. Paolesse,
et al., Pengenalan spesies yang dimediasi secara kimiawi dalam dua kupu-kupu simpatrik Grayling: Hipparchia
fagi dan Hipparchia hermione ( Lepidoptera:
Nymphalidae, Satyrinae), PLoS One 13 (6) (2018), https://doi.org/10.1371/ journal.pone.0199997 .
[3] Y. Kaya, OF Ertuğrul, R. Tekin, Dua novel deskriptor pola biner lokal untuk
analisis tekstur, Appl. Komput Lunak. 34 (2015) 728–735, https://doi.org/
10.1016 / j.asoc.2015.06.009 .
[4] Y. Kaya, L. Kaycı, Penerapan jaringan saraf tiruan untuk otomatis
[29] M. Liang, X. Hu, Jaringan saraf konvolusional berulang untuk pengenalan objek,
deteksi spesies kupu-kupu menggunakan fitur warna dan tekstur, Visual Comput. 30 (2014) 71–79, https://doi.org/10.1007/s00371-013-0782-8
. dalam: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, hlm. 3367–3375, https://doi.org/10.1109/
[5] C. Wen, D. Guyer, identifikasi otomatis serangga kebun berbasis gambar dan
metode klasifikasi, Comput. Elektron. Agric. 89 (2012) 110–115, https: // doi. org / 10.1016 /
j.compag.2012.08.008 .
[6] C. Xie, J. Zhang, R. Li, J. Li, P. Hong, J. Xia, P. Chen, Klasifikasi otomatis untuk
bidang serangga tanaman melalui representasi renggang multi-tugas dan pembelajaran beberapa kernel,
Comput. Elektron. Agric. 119 (2015) 123–132, https://doi.org/
10.1016 / j.compag.2015.10.015 .
[7] L. Feng, B. Bhanu, J. Heraty, Sebuah sistem perangkat lunak untuk identifikasi otomatis dan
pengambilan gambar ngengat berdasarkan atribut sayap, Pengenalan Pola. 51 (2016) 225–241, https://doi.org/10.1016/j.patcog.2015.09.012
. arXiv: 1704.04861.
[8] M. Martineau, D. Conte, R. Raveaux, I. Arnault, D. Munier, G. Venturini, Survei
pada klasifikasi serangga berbasis gambar, Pengenalan Pola. 65 (2017) 273–284,
https://doi.org/10.1016/j.patcog.2016.12.020 .
[9] Q. Yao, J. Lv, Q.-J. Liu, G.-Q. Diao, B.-J. Yang, H.-M. Chen, J. Tang, Seekor serangga
sistem pencitraan untuk mengotomatiskan identifikasi hama perangkap cahaya padi, J. Integr. Agric. 11 (2012)
978–985, https://doi.org/10.1016/S2095-3119(12)60089-6 .
[10] F. Pujian Keyakinan, P. Birch, R. Young, J. Obu, B. Pujian Keyakinan, C. Chatwin, Otomatis
deteksi dan pengenalan hama tanaman menggunakan algoritma pengelompokan k-means dan filter
korespondensi, Int. J. Adv. Biotechnol. Res. 4 (2013) 189–199. http: // sro.sussex.ac.uk/id/eprint/49042 .
195
[11] LK Leow, L.-L. Chew, VC Chong, SK Dhillon, Identifikasi otomatis dari
copepoda menggunakan pemrosesan gambar digital dan jaringan saraf tiruan, BMC Bioinf. 16 (2015) S4, https://doi.org/10.118
.
[12] L.-Q. Zhu, Z. Zhang, Pengenalan serangga berdasarkan pencocokan wilayah terintegrasi
dan transformasi wavelet kompleks pohon ganda, Zhejiang Univ. Sci. C 12 (2011) 44–
53, https://doi.org/10.1631/jzus.C0910740 .
[13] M. Mayo, AT Watson, Identifikasi spesies otomatis ngengat hidup, Knowl.-
Berbasis Syst. 20 (2007) 195–202, https://doi.org/10.1016/j.knosys.2006.11.012 .
[14] AT Watson, MA O'Neill, IJ Kitching, Identifikasi otomatis dari ngengat hidup
(Macrolepidoptera) menggunakan Sistem identifikasi otomatis digital (DAISY), Syst.
Biodivers. 1 (2004) 287–300, https://doi.org/10.1017/
S1477200003001208 .
[15] FLd Silva, ML Grassi Sella, TM Francoy, AHR Costa, Mengevaluasi
klasifikasi dan teknik seleksi fitur untuk identifikasi subspesies lebah madu menggunakan gambar sayap,
Comput. Elektron. Agric. 114 (2015) 6877,
https://doi.org/10.1016/j.compag.2015.03.012 .
[16] J. Wang, C. Lin, L. Ji, A. Liang, Sebuah sistem identifikasi otomatis baru serangga
gambar di tingkat pesanan, Sistem Berbasis Pengetahuan. 33 (2012) 102–110, https: // doi. org / 10.1016 /
j.knosys.2012.03.014 .
[17] C. Abeysinghe, A. Welivita, I. Perera, Klasifikasi gambar ular menggunakan bahasa Siam
jaringan, dalam: Prosiding Konferensi Internasional ke-3 2019 tentang Grafik dan Pemrosesan Sinyal, 2019,
hlm. 8-12, https://doi.org/10.1145/
3338472.3338476 .
[18] http: // adamerkelebek.org , Masyarakat Pemantauan & Fotografi Mentega Turki, 2019.
[19] Y. LeCun, Y. Bengio, G. Hinton, Pembelajaran mendalam, Alam 521 (2015) 436–444,
https://doi.org/10.1038/nature14539 .
[20] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, Z. Wojna, Memikirkan kembali awal mula
arsitektur untuk visi komputer, dalam: konferensi IEEE tentang visi komputer dan pengenalan pola (CVPR),
2016, hlm. 2818-2826, https://doi.org/10.1109/ CVPR.2016.308 .
[21] R. Collobert, J. Weston, Arsitektur terpadu untuk pemrosesan bahasa alami:
jaringan saraf dalam dengan pembelajaran multitask, dalam: ICML '08: Proceedings of the 25th International
Conference on Machine Learning, 2008, hlm. 160–167,
https://doi.org/10.1145/1390156.1390177 .
[22] G. Hinton et al., Jaringan saraf dalam untuk pemodelan akustik dalam pidato
Pengakuan: pandangan bersama dari empat kelompok penelitian, IEEE Signal Process Mag. 29 (2012) 82–97, https://doi.org/1
.
[23] K. Fukushima, Neocognitron: model jaringan saraf yang mengatur dirinya sendiri untuk a
mekanisme pengenalan pola tidak terpengaruh oleh pergeseran posisi, Biol. Cybern. 36 (1980) 193–202, https://doi.org/10.100
.
[24] Y. LeCun, Y. Bengio, Jaringan konvolusional untuk gambar, ucapan, dan deret waktu, dalam: The Handbook of
Brain Theory and Neural Networks, MIT Press, Cambridge, 1995, hlm. 255–258 .
[25] J. Wang, Y. Yang, J. Mao, Z. Huang, C. Huang, W. Xu, CNN-RNN: sebuah kesatuan
framework untuk klasifikasi gambar multi-label, dalam: IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), 2016, hlm. 2285–2294,
https://doi.org/10.1109/CVPR.2016.251 .
[26] F. Schroff, D. Kalenichenko, J. Philbin, Facenet: penyematan terpadu untuk wajah
pengakuan dan pengelompokan, dalam: IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), 2015, hlm. 815–823, https://doi.org/10.1109/ CVPR.2015.7298682 .
[27] D. Cheng, Y. Gong, S. Zhou, J. Wang, N. Zheng, Identifikasi orang oleh
CNN berbasis komponen multi-saluran dengan fungsi kehilangan triplet yang ditingkatkan, dalam: IEEE
Conference on Computer Vision and Pattern Recognition (CVPR), 2016, hlm. 1335–1344, https://doi.org/10.1109/CVPR.2016.1
.
[28] P. Sermanet, Y. LeCun, Pengenalan tanda lalu lintas dengan Konvolusional multi-skala
Networks, dalam: Konferensi Bersama Internasional 2011 tentang Jaringan Saraf,
2011, hlm. 2809–2813, https://doi.org/10.1109/IJCNN.2011.6033589 .
.
[30] A. Krizhevsky, I. Sutskever, GE Hinton, klasifikasi Imagenet dengan deep
jaringan saraf konvolusional, Commun. ACM 60 (2017) 84–90, https: // doi. org / 10.1145 / 3065386 .
[31] K. Simonyan, A. Zisserman, Jaringan konvolusional yang sangat dalam untuk pengenalan gambar skala besar,
Konferensi Internasional tentang Representasi Pembelajaran, 2015 .
[32] AG Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M.
Andreetto, H. Adam, Mobilenets: jaringan saraf konvolusional yang efisien untuk aplikasi visi seluler, (2017)
[33] K. He, X. Zhang, S. Ren, J. Sun, Pembelajaran sisa mendalam untuk pengenalan gambar, di:
Konferensi IEEE tentang Visi Komputer dan Pengenalan Pola (CVPR), 2016, hlm.770–778, https://doi.org/10.1109/CVPR.2016
.
[34] J. Deng, W. Dong, R. Socher, L. Li, K. Li, L. Fei-Fei, Imagenet: skala besar
database gambar hierarkis, pada: Konferensi IEEE 2009 tentang visi dan pola komputer
pengakuan, 2009, hal. 248–255, https://doi.org/10.1109/
CVPR.2009.5206848 .
[35] A. Canziani, A. Paszke, E. Culurciello, Analisis jaringan saraf dalam
model untuk aplikasi praktis, (2016) arXiv: 1605.07678.